(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211263756.6 (22)申请日 2022.10.17 (71)申请人 山东建筑大学 地址 250000 山东省济南市历城区临港开 发区凤鸣路10 00号 (72)发明人 宁阳　聂秀山　李成龙　郭杰　 刘培德　张云峰　张彩明　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向单幅图像特征分组的因果不变性 学习方法及系统 (57)摘要 本发明公开了一种面向单幅图像特征分组 的因果不变性学习方法及系统， 属于鲁棒图像分 类系统技术领域。 本发明通过对 单幅图像的跨尺 度特征进行分组来构造具有明确划分标准的环 境分组， 在高质量标注数据不足且 无法确定多环 境划分标准的复杂开放场景下学习数据稳健的 因果不变性， 以实现鲁棒的图像识别和分类。 解 决了现有技术中存在 “进行图像分类依赖于高质 量标记数据， 无法应对复杂开放场景， 识别、 分类 准确率低 ”的问题。 权利要求书2页 说明书8页 附图2页 CN 115359304 A 2022.11.18 CN 115359304 A 1.一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 包括： 构建鲁棒分类 模型， 具体为： 获取分类数据集并进行 数据预处 理； 针对数据预处理后的分类数据集， 基于卷积神经网络， 构造跨尺度空间注意力机制和 跨尺度通过注意力机制对单幅图像进行跨尺度增强特 征提取， 构造特 征分组； 以及， 针对特征分组， 计算经验风险最小化损失、 不变风险最小化损失和对比损失， 使用复合 损失函数对网络进行训练获得网络模型； 针对待分类图像， 利用鲁棒分类模型输出分类结果。 2.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 对分类数据集进行 数据预处 理包括： 对分类数据集中的图像进行随机数据增强操作； 对随机数据增强后的图像进行归一 化操作。 3.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 基于卷积神经网络， 构 造跨尺度空间注意力机制和跨尺度通过注意力机制对单幅图像进 行 跨尺度增强特 征提取包括： 根据预处理后数据集的属性和待处理单幅图像的尺寸， 确定特征提取深度， 根据特征 提取深度， 基于卷积神经网络， 提取 单幅图像的多尺度特 征； 基于多尺度特 征， 分组获取跨尺度特 征组合； 构造跨尺度空间注意力 机制， 将跨尺度特征组合中的特征表示分别作为跨尺度输入和 主输入， 获取基于空间维度的跨尺度增强特 征； 构造跨尺度通道注意力 机制， 将跨尺度特征组合中的特征表示分别作为主输入和跨尺 度输入， 获取基于通道维度的跨尺度增强特 征。 4.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 在提取跨尺度增强特 征之后， 构造特 征分组之前还 包括： 对提取的跨尺度增强特 征进行重采样 操作。 5.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 根据特征提取深度， 确定基准分辨 率； 根据基准分辨率， 对低于基准分辨率的跨尺度增强特征进行上采样操作， 对高于基准 分辨率的跨尺度增强特 征进行下采样操作。 6.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 对跨尺度特征进行循环处理， 构造两个特征分组， 对特征分组进行对比损失最大化以使它 们具有不同的语义。 7.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 最小化经验风险最小损失以诱导网络模型学习数据的相关性， 最小化不变风险最小化损失 以诱导模型学习数据的因果不变性， 加权最大化对比损失以迫使 特征分组在相似的基础上 具有不同的语义。 8.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 经验风险最小化损失定义 为：权　利　要　求　书 1/2 页 2 CN 115359304 A 2其中， 为在环境 下的经验风险， 为训练集中的环 境划分， 为特征表示器； 不变风险最小化损失定义 为： 其中， 为最优分类 器， 为在环境 下的经验风险； 对比损失被定义 为： 其中， 表示对比样本， 表示正样本， 表示负样本， 表示负样本数量。 9.如权利要求1所述的一种面向单 幅图像特征分组 的因果不变性学习方法， 其特征是， 构建鲁棒分类模型还 包括： 将待预测的图像数据输入已训练好的网络模型进行 预测得到分类结果。 10.一种面向单幅图像特 征分组的因果 不变性学习 系统， 其特 征是， 包括： 鲁棒分类模型构建模块， 被 配置为： 获取分类数据集并进行 数据预处 理； 针对数据预处理后的分类数据集， 基于卷积神经网络， 构造跨尺度空间注意力机制和 跨尺度通过注意力机制对单幅图像进行跨尺度增强特 征提取， 构造特 征分组； 以及， 针对特征分组， 计算经验风险最小化损失、 不变风险最小化损失和对比损失， 使用复合 损失函数对网络进行训练获得网络模型； 分类模块， 被 配置为： 针对待分类图像， 利用鲁棒分类模型输出分类结果。权　利　要　求　书 2/2 页 3 CN 115359304 A 3